[논문 리뷰] Learning Fast Magnetic Resonance Imaging.

Tomer Weiss, Sanketh Vedula외 4명|arXiv (Cornell University)|2019. 05. 22.

Advanced MRI Techniques and Applications참고 문헌 10인용 수 11

한 줄 요약

이 논문은 가속화된 MRI를 위한 Cartesian k-space 궤적과 이미지 복원을 함께 학습하는 엔드 투 엔드 미분 가능한 프레임워크를 제안한다. 딥 러닝을 통해 수집 및 복원을 공동 최적화함으로써 다양한 가속도 비율에서 복원 품질을 크게 향상시킨다.

ABSTRACT

Magnetic Resonance Imaging (MRI) is considered today the golden-standard modality for soft tissues. The long acquisition times, however, make it more prone to motion artifacts as well as contribute to the relatively high costs of this examination. Over the years, multiple studies concentrated on designing reduced measurement schemes and image reconstruction schemes for MRI, however, these problems have been so far addressed separately. On the other hand, recent works in optical computational imaging have demonstrated growing success of the simultaneous learning-based design of the acquisition and reconstruction schemes manifesting significant improvement in the reconstruction quality with a constrained time budget. Inspired by these successes, in this work, we propose to learn accelerated MR acquisition schemes (in the form of Cartesian trajectories) jointly with the image reconstruction operator. To this end, we propose an algorithm for training the combined acquisition-reconstruction pipeline end-to-end in a differentiable way. We demonstrate the significance of using the learned Cartesian trajectories at different speed up rates.

연구 동기 및 목표

• 최적의 성능을 방해하는 MRI 수집 및 복원의 별도 설계 방식의 한계를 해결한다.
• 운동 아티팩트와 높은 비용을 줄이기 위해 MRI 스캔 시간을 단축시키되, 진단 가능한 이미지 품질을 유지한다.
• 기존 방법에서의 최적화되지 않은 트레이드오프를 극복하기 위해 수집 궤적과 복원 네트워크를 공동 설계한다.
• 다양한 최적화를 통해 수집-복원 파이프라인의 엔드 투 엔드 훈련을 가능하게 한다.
• 다양한 가속도 요소에서 기존의 Cartesian 샘플링보다 학습된 궤적이 우수한 성능을 보임을 입증한다.

제안 방법

• MRI 수집 및 복원을 미분 가능한 엔드 투 엔드 파이프라인으로 공식화한다.
• 신경망을 사용하여 학습 가능한 Cartesian 패턴으로 k-space 샘플링 궤적을 매개변수화한다.
• 저밀도 k-space 데이터를 처리하는 딥 이미지 복원 네트워크를 통합한다.
• 재구성 손실을 최소화하기 위해 역전파를 사용해 통합 시스템을 훈련시킨다.
• 재구성 손실에서 궤적 매개변수로의 기울기 흐름을 허용하기 위해 미분 가능한 샘플링 연산을 사용한다.
• 훈련 중에 샘플링 패턴과 복원 네트워크를 함께 최적화한다.

실험 결과

연구 질문

• RQ1 고정되거나 수작업으로 설계된 궤적과 비교해, k-space 샘플링 궤적과 이미지 복원의 공동 학습이 MRI 복원 품질을 향상시킬 수 있는가?
• RQ2 수집-복원 파이프라인의 엔드 투 엔드 미분 가능한 훈련이 이미지 품질과 스캔 시간 단축에 어떤 영향을 미치는가?
• RQ3 다양한 가속도 비율에서 학습된 Cartesian 궤적이 기존의 Cartesian 샘플링보다 얼마나 뛰어나게 성능을 발휘하는가?
• RQ4 수집 및 복원의 공동 최적화가 다양한 스캔 가속도 비율에서 더 나은 일반화 성능을 이끌어내는가?
• RQ5 궤적 학습이 재구성된 MR 영상에서 아티팩트를 줄이고 미세한 해부학적 세부 정보를 유지하는 데 어떤 영향을 미치는가?

주요 결과

• 제안된 방법은 기존의 Cartesian 샘플링과 비교해 모든 테스트된 가속도 비율에서 뛰어난 이미지 복원 품질을 달성한다.
• 학습된 궤적이 특히 높은 가속도 비율에서 스트레일링 및 앨리어싱 아티팩트를 크게 감소시킨다.
• 엔드 투 엔드 훈련을 통해 네트워크가 복원 작업에 더 효율적인 샘플링 패턴을 자동으로 발견할 수 있다.
• 공동 최적화로 연조직 대비를 더 빠르고 안정적으로 복원할 수 있다.
• 4×, 6×, 8× 가속도 비율에서 기준 방법 대비 일관된 성능 향상을 보였다.
• 미분 가능한 프레임워크 덕분에 샘플링 과정을 통해 효과적인 역전파가 가능해 진정한 공동 최적화가 가능해졌다.